一种数据中心漏水检测与定位的方法、设备和数据中心

技术领域

本领域涉及计算机领域，并且更具体地涉及一种数据中心漏水检测与定位的方法、设备和数据中心。

背景技术

随着数字化进程的不断加速以及人工智能技术的不断进步，数据中心的需求越来越大。模块化数据中心(MDC)是为了应对云计算、虚拟化、集中化、高密化等服务器的变化，为了提高数据中心的运营效率而采用的新的理念，相比于传统的数据中心，它具有快速部署、绿色节能以及柔性扩展的优点。数据中心的状态监测与异常预警是智能化运维管理的重要组成部分。

传统的数据中心巡检策略主要通过运维人员定期对数据中心环境状态进行全面巡检，在一些规模庞大的数据中心中，由于面积较大，巡检人员需要对漏水的位置进行逐一标记，在完成全部的巡检工作后，巡检人员需要再次返回到所标记的位置中，对漏水问题进行修复。该方法对于漏水问题的异常监测存在效率低下的问题，而且人工定位漏水区域存在定位精度差、效率低且容易误定位的问题。

发明内容

有鉴于此，本发明实施例的目的在于提出一种数据中心漏水检测与定位的方法、设备和数据中心，通过使用本发明的技术方案，能够对数据中心进行全场景覆盖，能够自动识别漏水异常，节省人力、解决了人工巡检标记与二次维修定位过程中误定位以及效率低的问题，消除了人工运维管理效率低下的问题，实现了少人化管理，降低了运维成本。

基于上述目的，本发明的实施例的一个方面提供了一种数据中心漏水检测与定位的方法，包括以下步骤：

通过智能机器人拍摄数据中心的图像并进行图像增强处理；

将图像增强处理后的图像输入到漏水区域识别网络中进行漏水区域的检测；

将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记；

将带有标记的图像和全局坐标系下的坐标进行推送并发出警告。

根据本发明的一个实施例，通过智能机器人拍摄数据中心的图像并进行图像增强处理包括：

将拍摄到的图像平均分成阈值数量的小图像；

将每个小图像的RGB图像转换到HSI空间并计算每个小图像中亮度通道I的直方图；

计算剪切阈值T并剪切掉每个小图像中高于T的部分图像，并将剪切掉的部分图像的亮度值分配到所在小图像的直方图的底部；

将每个小图像的直方图均衡化处理并与亮度值进行重构，重构后再与HS通道图像融合得到重构后的HSI图像；

将每个重构后的HSI图像转换到RGB空间完成图像增强；

将每个图像增强后的图像进行拼接得到完整的增强后的图像。

根据本发明的一个实施例，计算剪切阈值T包括：

使用公式

其中，M为每个小图像的像素总数，K为每个小图像的图像亮度级数，T

根据本发明的一个实施例，将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记包括：

采用棋盘格标定板对智能机器人的相机内参数矩阵进行标定从而获得内参数矩阵K；

通过蒙特卡罗定位方法获得机器人坐标系在全局坐标系下的位姿

定义空间中的点在全局坐标下的坐标为

通过角点检测算法与重投影可获得实际的投影点为a'，通过a与a'构建目标函数为f＝‖a-a'‖，给定

根据公式

根据本发明的一个实施例，还包括：

使用智能机器人在数据中心内移动并通过激光雷达对数据中心构建二维地图。

根据本发明的一个实施例，还包括：

将漏水区域对应的数据中心的全局坐标系下的坐标输入到智能机器人中并通过智能机器人进行实际位置的定位。

根据本发明的一个实施例，漏水区域识别网络为使用Ghost backbone网络替代yolov3-tiny网络中的卷积与池化骨干网络后的网络。

根据本发明的一个实施例，漏水区域识别网络输出52*52尺度的特征图。

本发明的实施例的另一个方面，还提供了一种数据中心漏水检测与定位的设备，设备包括：

处理模块，处理模块配置为通过智能机器人拍摄数据中心的图像并进行图像增强处理；

检测模块，检测模块配置为将图像增强处理后的图像输入到漏水区域识别网络中进行漏水区域的检测；

转换模块，转换模块配置为将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记；

推送模块，推送模块配置为将带有标记的图像和全局坐标系下的坐标进行推送并发出警告。

本发明的实施例的另一个方面，还提供了一种数据中心，数据中心使用上述的方法进行漏水检测与定位。

本发明具有以下有益技术效果：本发明实施例提供的数据中心漏水检测与定位的方法，通过智能机器人拍摄数据中心的图像并进行图像增强处理；将图像增强处理后的图像输入到漏水区域识别网络中进行漏水区域的检测；将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记；将带有标记的图像和全局坐标系下的坐标进行推送并发出警告的技术方案，能够对数据中心进行全场景覆盖，能够自动识别漏水异常，节省人力、解决了人工巡检标记与二次维修定位过程中误定位以及效率低的问题，消除了人工运维管理效率低下的问题，实现了少人化管理，降低了运维成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1为根据本发明一个实施例的数据中心漏水检测与定位的方法的示意性流程图；

图2为根据本发明一个实施例的数据中心漏水检测与定位的设备的示意图；

图3为根据本发明一个实施例的漏水区域全局坐标的示意图；

图4为根据本发明一个实施例的漏水区域识别网络的示意图；

图5为根据本发明一个实施例的漏水区域定位的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

基于上述目的，本发明的实施例的第一个方面，提出了一种数据中心漏水检测与定位的方法的一个实施例。图1示出的是该方法的示意性流程图。

如图1中所示，该方法可以包括以下步骤：

S1通过智能机器人拍摄数据中心的图像并进行图像增强处理，使用智能机器人在整个数据中心中进行移动，在移动的过程中不断的拍摄数据中心地面上的图像，并将拍摄到每个图像进行图像增强处理以能够更准确的判断出是否发生漏水事件，能够实现对数据中心进行全场景的检测，并且提高了运维的效率，降低了运维成本；

S2将图像增强处理后的图像输入到漏水区域识别网络中进行漏水区域的检测，将图像增强处理后的图像输入到漏水区域识别网络中对图像识别，基于该网络的识别可以自动准确的识别出该图像中是否发生漏水事件；

S3将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记，未被标记的图像可以进行删除，带有标记的图像需要进行保存并向指定端口进行传输；

S4将带有标记的图像和全局坐标系下的坐标进行推送并发出警告。

通过本发明的技术方案，能够对数据中心进行全场景覆盖，能够自动识别漏水异常，节省人力、解决了人工巡检标记与二次维修定位过程中误定位以及效率低的问题，消除了人工运维管理效率低下的问题，实现了少人化管理，降低了运维成本。

在本发明的一个优选实施例中，通过智能机器人拍摄数据中心的图像并进行图像增强处理包括：

将拍摄到的图像平均分成阈值数量的小图像，对原始图像分成n×n的小图像，一般选择n＝8；

将每个小图像的RGB图像转换到HSI空间并计算每个小图像中亮度通道I的直方图，其中

计算剪切阈值T并剪切掉每个小图像中高于T的部分图像，并将剪切掉的部分图像的亮度值分配到所在小图像的直方图的底部；

将每个小图像的直方图均衡化处理并与亮度值进行重构以得到处理后的I，然后将重构后的I与HS通道图像融合得到重构后的HSI图像；

将每个重构后的HSI图像转换到RGB空间完成图像增强；

将每个图像增强后的图像进行拼接得到完整的增强后的图像。

在本发明的一个优选实施例中，计算剪切阈值T包括：

使用公式

其中，M为每个小图像的像素总数，K为每个小图像的图像亮度级数，T

在本发明的一个优选实施例中，将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记包括：

采用棋盘格标定板对智能机器人的相机内参数矩阵进行标定从而获得内参数矩阵K；

通过蒙特卡罗定位方法获得机器人坐标系在全局坐标系下的位姿

定义空间中的点在全局坐标下的坐标为

通过角点检测算法与重投影可获得实际的投影点为a'，通过a与a'构建目标函数为f＝‖a-a'‖，给定

根据公式

如图3所示，首先定义像素坐标系为F

采用棋盘格标定板对智能机器人的相机内参数矩阵进行标定从而获得内参数矩阵K；

通过蒙特卡罗定位方法获得机器人坐标系在全局坐标系下的位姿

定义空间中的点在全局坐标下的坐标为

由以上两公式可得：

通过角点检测算法与重投影可获得实际的投影点为a'，通过a与a'构建目标函数为f＝‖a-a'‖，给定

根据公式

在本发明的一个优选实施例中，还包括：

使用智能机器人在数据中心内移动并通过激光雷达对数据中心构建二维地图。该二维地图中的坐标系为全局坐标系。

在本发明的一个优选实施例中，还包括：

将漏水区域对应的数据中心的全局坐标系下的坐标输入到智能机器人中并通过智能机器人进行实际位置的定位。

在本发明的一个优选实施例中，漏水区域识别网络为使用Ghost backbone网络替代yolov3-tiny网络中的卷积与池化骨干网络后的网络。

在本发明的一个优选实施例中，漏水区域识别网络输出52*52尺度的特征图。如图4所示，为了降低机器人计算资源，并保证检测效果，采用轻量化高性能的GhostNet并对yolov3-tiny网络进行修改，适应小目标的检测要求，将yolov3-tiny中的卷积操作采用Ghost Module生成特征图，既能降低整体计算量又能保持网络精度为了提高网络对小目标物体的检测性能，yolov3-tiny网络结构的输出为13*13以及26*26两种feature map(特征图)，为了提高网络对小目标物体的检测性能，增加了52*52的feature map(特征图)的输出，因此该漏水区域识别网络输出为三种不同尺度的特征图以适应小目标检测要求，yolov3-tiny网络结构采用卷积与池化构成的骨干网络，为了降低网络的运算量并提高检测性能，该漏水区域识别网络采用Ghost backbone替代卷积与池化骨干网络从而提升网络运算速度与检测性能。

实施例

下表1为本发明所提出的漏水区域定位与可视化方法验证结果，如图5所示，其中P1,P2,P3为位置1、2、3处的漏水区域坐标。通过全局定位与可视化方法能够清楚观察到漏水区域在数据中心的位置以及漏水区域的大小。

表1验证结果

通过上表可知使用本发明的方法对漏水区域定位与检测的准确率最高。

通过本发明的技术方案，能够对数据中心进行全场景覆盖，能够自动识别漏水异常，节省人力、解决了人工巡检标记与二次维修定位过程中误定位以及效率低的问题，消除了人工运维管理效率低下的问题，实现了少人化管理，降低了运维成本。

需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，上述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。

基于上述目的，本发明的实施例的第二个方面，提出了一种数据中心漏水检测与定位的设备，如图2所示，设备200包括：

处理模块，处理模块配置为通过智能机器人拍摄数据中心的图像并进行图像增强处理；

检测模块，检测模块配置为将图像增强处理后的图像输入到漏水区域识别网络中进行漏水区域的检测；

转换模块，转换模块配置为将检测到漏水区域的图像的坐标转换成数据中心的全局坐标系下的坐标并进行标记；

推送模块，推送模块配置为将带有标记的图像和全局坐标系下的坐标进行推送并发出警告。

基于上述目的，本发明的实施例的第三个方面，提出了一种数据中心，数据中心使用上述的方法进行漏水检测与定位。

上述实施例，特别是任何“优选”实施例是实现的可能示例，并且仅为了清楚地理解本发明的原理而提出。可以在不脱离本文所描述的技术的精神和原理的情况下对上述实施例进行许多变化和修改。所有修改旨在被包括在本公开的范围内并且由所附权利要求保护。